Klasifikasi Hasil Perekaman Electroencephalogram Berdasarkan Profil Pasien Epilepsi di Rumah Sakit Universitas Airlangga Menggunakan Classification Tree

Awanis, Luthfiah Sabrina (2024) Klasifikasi Hasil Perekaman Electroencephalogram Berdasarkan Profil Pasien Epilepsi di Rumah Sakit Universitas Airlangga Menggunakan Classification Tree. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201011-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Epilepsi merupakan penyakit saraf yang ditandai dengan kejadian kejang berulang. Kejang terjadi karena kejutan yang disebabkan oleh aktivitas listrik pada saraf otak yang berlebihan dan tidak sinkron. Aktivitas listrik di dalam otak pada penderita epilepsi dapat dideteksi dengan perekaman electroencephalogram (EEG). Pasien epilepsi dapat memiliki hasil perekaman EEG normal atau abnormal. Hasil yang berbeda dipengaruhi oleh faktor-faktor pada pasien epilepsi yang berkaitan dengan hasil EEG. Salah satu rumah sakit yang memberikan pelayanan EEG sekaligus yang menjadi lokasi penelitian adalah Rumah Sakit Universitas Airlangga. Penelitian ini bertujuan untuk mengklasifikasi bagaimana hasil perekaman EEG normal dan abnormal berdasarkan profil rekam medis pada pasien epilepsi. Tujuh faktor atau variabel yang diteliti adalah jenis kelamin, kelompok usia, waktu kejang terakhir ke perekaman EEG, penggunaan sedasi, riwayat sakit berat, riwayat trauma kepala, dan bentuk kejang terakhir. Metode klasifikasi yang digunakan yakni classification tree karena relatif sederhana dan mudah untuk diinterpretasikan. Hasil dari pohon klasifikasi diinterpretasikan berdasarkan karakteristik pasien epilepsi pada kelas hasil perekaman EEG normal dan kelas hasil perekaman EEG abnormal. Pohon klasifikasi optimal yang didapatkan berukuran sebanyak 5 simpul terminal dengan 4 variabel yang berkontribusi terhadap pembentukan model klasifikasi, yaitu waktu kejang terakhir ke perekaman EEG, penggunaan sedasi, riwayat trauma kepala, dan bentuk kejang terakhir. Model pohon klasifikasi optimal menghasilkan nilai akurasi, precision, recall/sensitivity, specificity, F1 score, dan AUC secara berturut-turut adalah 56,62%, 49,67%, 79,79%, 39,20%, 61,22%, dan 59,49%. Dari nilai tersebut model dapat dikatakan kurang baik dalam mengklasifikasikan hasil perekaman EEG.
============================================================
Epilepsy is a neurological disease characterized by recurrent seizures. Seizures occur due to shocks caused by excessive and unsynchronized electrical activity in the brain's nerves. Electrical activity in the brain in epilepsy patients can be detected by electroencephalogram (EEG) recording. Epilepsy patients can have normal or abnormal EEG recording results. Different results are influenced by factors in epilepsy patients related to EEG results. One of the hospitals that provides EEG services as well as the research location is Airlangga University Hospital. This study aims to classify how normal and abnormal EEG recording results based on medical record profiles in epilepsy patients. The seven factors or variables studied were gender, age group, time from last seizure to EEG recording, sedation use, history of severe illness, history of head trauma, and form of last seizure. The classification method used was classification tree because it was relatively simple and easy to interpret. The results of the classification tree are interpreted based on the characteristics of epilepsy patients in the normal EEG recording class and the abnormal EEG recording class. The optimal classification tree obtained was 5 terminal nodes with 4 variables contributing to the formation of the classification model, namely the time from the last seizure to the EEG recording, the use of sedation, the history of head trauma, and the type of the last seizure. The optimal classification tree model produces accuracy, precision, recall/sensitivity, specificity, F1 score, and AUC values of 56.62%, 49.67%, 79.79%, 39.20%, 61.22%, and 59.49%, respectively. From these values the model can be said to be less good at classifying EEG recording results.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Classification, Classification tree, EEG, Epilepsy Klasifikasi, classification tree, EEG, epilepsi
Subjects:	Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics) R Medicine > R Medicine (General)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Luthfiah Sabrina Awanis
Date Deposited:	09 Aug 2024 04:11
Last Modified:	09 Aug 2024 04:11
URI:	http://repository.its.ac.id/id/eprint/114928

Actions (login required)

View Item